Adrien Legrand (équipe SDMA) soutiendra sa thèse de doctorat intitulée: "Détection, Anticipation, Action face aux risques dans les bâtiments connectés", le 29 novembre 2019 à 14h, sans la Salle des thèses de l'École Doctorale Sciences, Technologies, Santé (UPJV Amiens)
Résumé :
Cette thèse vise à exploiter la future masse de données qui émergera du nombre conséquent d'objets connectés à venir. Concentré sur les données de bâtiments connectés, ces travaux ont pour but de contribuer à un système générique de détection d’anomalies.
Nous détaillerons, dans cette présentation, comment nous nous sommes orientés vers les réseaux de neurones artificiels de type auto-encodeurs afin de traiter les anomalies pouvant survenir au sein de ces bâtiments.
Dans ce contexte, nous comparons dans un premier temps les performances d'auto-encodeurs récurrents et d'auto-encodeurs convolutionnels.
Dans un second temps, nous proposons une méthode d'amélioration des scores issus des modèles afin de discriminer les anomalies des données saines de manière plus efficaces.
Les méthodes proposées intègrent un facteur comprenant l'incertitude issue des réseaux de neurones. Ces méthodes ont été testées et validées sur des jeux de données divers, puis sur un jeu de données issu de bâtiments connectés.
Mots-clés: détection d'anomalies, apprentissage automatique, bâtiments connectés, IoT
